ICLR

Can we generate portable representations for clinical time series data using LLMs?

能否利用LLMs为临床时间序列数据生成可移植的表示？

Zongliang Ji, Yifei Sun, Andre Amaral, Anna Goldenberg, Rahul G. Krishnan

机构 * University of Toronto, Canada（加拿大多伦多大学） ； Sunnybrook Health Sciences Centre, Canada（加拿大阳光医疗科学中心） ； Vector Institute, Canada（加拿大向量研究所） 纠错

AI总结 本文研究了利用LLMs生成可移植患者表示的方法，通过将不规则ICU时间序列转换为自然语言摘要，再嵌入固定长度向量，实现跨医院的预测任务，展示了其在多个临床任务中的竞争力和可移植性。

Comments Accepted to the 14th International Conference on Learning Representations (ICLR 2026)

Rethinking LoRA for Privacy-Preserving Federated Learning in Large Models

重新思考LoRA用于大模型隐私保护联邦学习

Jin Liu, Yinbin Miao, Ning Xi, Junkang Liu

机构 * School of Cyber Engineering, Xidian University（西安电子科技大学电子工程学院） ； College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院） 纠错

AI总结 本文提出LA-LoRA方法，解决DPFL中LoRA的性能下降问题，通过解耦梯度交互和对齐更新方向，提升在严格隐私约束下的鲁棒性，实验显示在Swin Transformer和RoBERTa模型上达到SOTA性能。

Journal ref ICLR 2026

Stop Tracking Me! Proactive Defense Against Attribute Inference Attack in LLMs

别跟踪我！对抗大语言模型中属性推断攻击的主动防御

Dong Yan, Jian Liang, Ran He, Tieniu Tan

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 本文提出TRACE-RPS框架，通过细粒度匿名化和推断阻止优化，有效降低大语言模型中属性推断准确性，实现隐私保护与模型效用的平衡。

Comments Accepted at ICLR 2026

Densemarks: Learning Canonical Embeddings for Human Heads Images via Point Tracks

Densemarks: 通过点轨迹学习人类头部图像的规范嵌入

Dmitrii Pozdeev, Alexey Artemov, Ananta R. Bhattarai, Artem Sevastopolsky

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； University of Bielefeld（比勒菲尔德大学） 纠错

AI总结 本文提出DenseMarks，通过点轨迹学习人类头部图像的规范嵌入，实现高质量的密集对应。利用Vision Transformer预测每个像素的3D嵌入，结合对比损失训练网络，通过多任务学习和空间连续性约束，实现可解释的规范空间，用于语义部分匹配、面部跟踪和立体重建。

Comments ICLR 2026. Project page: https://diddone.github.io/densemarks/ .Video: https://youtu.be/o8DOOYFW0gI .21 pages, 13 figures, 2 tables

LiveResearchBench: A Live Benchmark for User-Centric Deep Research in the Wild

LiveResearchBench: 一个用于真实世界中以用户为中心的深度研究的实时基准

Jiayu Wang, Yifei Ming, Riya Dulepet, Qinglin Chen, Austin Xu, Zixuan Ke, Frederic Sala, Aws Albarghouthi, Caiming Xiong, Shafiq Joty

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Stanford University（斯坦福大学） ； Salesforce AI Research（Salesforce AI研究院） 纠错

AI总结 本文提出LiveResearchBench，一个包含100个专家精选任务的实时基准，涵盖日常生活、企业与学术领域，要求进行广泛、动态的实时网络搜索与综合。通过DeepEval评估17个前沿深度研究系统，揭示其优势、失败模式及关键组件。

Comments Accepted to ICLR 2026

RACE Attention: A Strictly Linear-Time Attention Layer for Training on Outrageously Large Contexts

RACE 注意力：一种严格线性时间的注意力层，用于在极端长上下文中训练

Sahil Joshi, Agniva Chowdhury, Amar Kanakamedala, Ekam Singh, Evan Tu, Anshumali Shrivastava

机构 * Department of Computer Science, Rice University（计算机科学系，里士大学） 纠错

AI总结 RACE 注意力通过替代指数核为锐化角相似性，并利用高斯随机投影和软局部敏感哈希，实现线性时间复杂度的注意力层，适用于超长上下文训练，同时减少时间和内存消耗。

Comments Accepted at ICLR 2026. 29 pages, 8 figures

Textual Bayes: Quantifying Prompt Uncertainty in LLM-Based Systems

文本贝叶斯：量化基于LLM系统的提示不确定性

Brendan Leigh Ross, Noël Vouitsis, Atiyeh Ashari Ghomi, Rasa Hosseinzadeh, Ji Xin, Zhaoyan Liu, Yi Sui, Shiyi Hou, Kin Kwan Leung, Gabriel Loaiza-Ganem, Jesse C. Cresswell

机构 * Layer 6 AI 纠错

AI总结 本文通过贝叶斯视角量化LLM系统提示的不确定性，提出MHLP算法结合提示优化与MCMC方法，提升预测准确性和不确定性量化性能。

Comments ICLR 2026

The Less You Depend, The More You Learn: Synthesizing Novel Views from Sparse, Unposed Images with Minimal 3D Knowledge

你依赖得越少，学到的越多：从稀疏、未定位图像中合成新视角的方法，仅需最小的3D知识

Haoru Wang, Kai Ye, Minghan Qin, Yangyan Li, Wenzheng Chen, Baoquan Chen

机构 * Peking University（北京大学） ； ByteDance Seed（字节跳动种子） ； Ant Group（蚂蚁集团） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 本文探讨了在数据量增加时，依赖较少3D知识的方法性能提升更快的现象，提出了一种无需显式场景结构和姿态标注的端到端NVS框架，实现了更高效的视角合成。

Comments ICLR 2026

Persona Alchemy: Designing, Evaluating, and Implementing Psychologically-Grounded LLM Agents for Diverse Stakeholder Representation

人格炼金术：为多样化利益相关者代表设计、评估和实现心理基础的LLM代理

Sola Kim, Dongjune Chang, Jieshu Wang

AI总结 本文提出基于社会认知理论的LLM代理设计框架，通过四个个人因素、六个可量化构念和图数据库架构，提升LLM代理在多样化利益相关者代表中的心理一致性与可解释性。

Comments Accepted at ICLR 2026 Algorithmic Fairness Across Alignment Procedures and Agentic Systems (AFAA) Workshop

VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning

VADv2：通过概率规划实现端到端向量自主驾驶

Bo Jiang, Shaoyu Chen, Hao Gao, Bencheng Liao, Qian Zhang, Wenyu Liu, Xinggang Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Horizon Robotics 纠错

AI总结 本文提出VADv2，一种基于概率规划的端到端自主驾驶模型，通过概率场函数建模动作空间到概率分布的映射，利用大规模驾驶演示提升闭合回路性能，优于现有方法。

Comments Accepted to ICLR 2026. Code is available at https://github.com/hustvl/VAD

Structured Abductive-Deductive-Inductive Reasoning for LLMs via Algebraic Invariants

通过代数不变量实现LLMs的结构归纳-演绎-演绎推理

Sankalp Gilda, Shlok Gilda

机构 * DeepThought Solutions（深思科技） ； Department of Computer Science University of Florida（佛罗里达大学计算机科学系） 纠错

AI总结 本文提出通过代数不变量实现LLMs的结构归纳-演绎-演绎推理框架，通过五种代数不变量确保推理链中结论的可靠性，防止逻辑不一致的累积。

Comments 10 pages + 3 pages references. Accepted as a poster at the ICLR 2026 Workshop for LLM Reasoning

Majority Voting for Code Generation

代码生成中的多数投票

Tim Launer, Jonas Hübotter, Marco Bagatella, Ido Hakimi, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出基于功能共识的多数投票方法，通过测试输入的运行时执行签名选择最优解，提升代码生成性能，并应用于无标签的测试时强化学习。

Comments ICLR 2026 Test-Time Updates (TTU) Workshop

ProtoTTA: Prototype-Guided Test-Time Adaptation

ProtoTTA：基于原型的测试时间适应

Mohammad Mahdi Abootorabi, Parvin Mousavi, Purang Abolmaesumi, Evan Shelhamer

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Queen’s University（女王大学） ； Vector Institute（向量研究所） 纠错

AI总结 ProtoTTA通过利用中间原型信号提升模型在分布偏移下的鲁棒性，同时恢复原型激活的语义聚焦，改进了标准输出熵最小化方法。

Comments ICLR 2026 Test-Time Updates (TTU) Workshop

Evaluating LLM Simulators as Differentially Private Data Generators

评估LLM模拟器作为差分隐私数据生成器

Nassima M. Bouzid, Dehao Yuan, Nam H. Nguyen, Mayana Pereira

机构 * Capital One 纠错

AI总结 研究评估LLM模拟器在生成复杂合成数据中的有效性，发现其在欺诈检测中表现良好但存在分布偏移问题，需解决系统性偏差以提升应用潜力。

Comments Submitted to ICLR 2026. 6 pages + appendix

Mamba-SSM with LLM Reasoning for Feature Selection: Faithfulness-Aware Biomarker Discovery

Mamba-SSM结合LLM推理进行特征选择：面向生物标志物发现的可信度意识方法

Pushpa Kumar Balan, Aijing Feng

机构 * Department of Computer Science and Cybersecurity（计算机科学与网络安全系） 纠错

AI总结 本文研究LLM推理在过滤特征选择中的作用，通过Mamba-SSM提取基因并结合CoT提升预测性能，发现特征筛选能提高AUC并验证部分已知生物标志物。

Comments 9 pages, 4 figures. Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models

Training Flow Matching: The Role of Weighting and Parameterization

训练流匹配：加权与参数化的作用

Anne Gagneux, Ségolène Martin, Rémi Gribonval, Mathurin Massias

机构 * ENS de Lyon, CNRS, Université Claude Bernard Lyon 1, Inria, LIP, UMR 5668, France（里昂大学ENS、法国国家科学研究中心CNRS、里昂大学Claude Bernard Lyon 1、法国国家信息与自动化技术研究所Inria、里昂理工学院LIP、法国大学机构UMR 5668） 纠错

AI总结 本文研究去噪生成模型的训练目标，重点分析损失加权和输出参数化对数据流的影响，通过实验探讨不同因素对去噪精度和生成质量的影响。

Comments Published as a paper at the 2nd DeLTa Workshop, ICLR 2026

On Optimal Hyperparameters for Differentially Private Deep Transfer Learning

关于差分隐私深度迁移学习中的最优超参数

Aki Rehn, Linzh Zhao, Mikko A. Heikkilä, Antti Honkela

机构 * Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系） 纠错

AI总结 本文研究差分隐私迁移学习中剪裁界C和批量大小B的最优选择，揭示理论与实证结果的不匹配，并分析累积差分隐私噪声对批量大小的影响。

Comments ICLR 2026

EvoTest: Evolutionary Test-Time Learning for Self-Improving Agentic Systems

EvoTest: 为自改进智能体系统设计的进化测试时学习

Yufei He, Juncheng Liu, Yue Liu, Yibo Li, Tri Cao, Zhiyuan Hu, Xinxing Xu, Bryan Hooi

机构 * National University of Singapore（国立新加坡大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出EvoTest框架，通过进化方法在无需微调或梯度的情况下提升智能体性能，在J-TTL基准中超越传统方法，能赢得两局游戏。

Comments ICLR 2026

Beyond Independent Frames: Latent Attention Masked Autoencoders for Multi-View Echocardiography

超越独立帧：用于多视图超声的潜在注意力掩码自编码器

Simon Böhi, Irene Cannistraci, Sergio Muñoz Gonzalez, Moritz Vandenhirtz, Sonia Laguna, Samuel Ruiperez-Campillo, Max Krähenmann, Andrea Agostini, Ece Ozkan, Thomas M. Sutter, Julia E. Vogt

机构 * Department of Biomedical Engineering, University of Basel（巴塞尔大学生物医学工程系） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出LAMAE模型，通过潜在空间注意力模块处理多视图超声数据，实现对心脏功能的全面表征，并在MIMIC-IV-ECHO数据集上展示了其在ICD-10编码预测和跨年龄群体迁移中的有效性。

Comments Accepted as a workshop paper at the ICLR 2026 Workshop on Foundation Models for Science

Sublinear Spectral Clustering Oracle with Little Memory

亚线性谱聚类Oracle的内存优化

Ranran Shen, Xiaoyi Zhu, Pan Peng, Zengfeng Huang

AI总结 本文提出亚线性谱聚类Oracle，通过减少内存使用实现子线性时间响应，分析了内存与查询时间的权衡，并通过实验验证了其有效性。

Comments ICLR 2026

Discovering Novel LLM Experts via Task-Capability Coevolution

通过任务能力共进化发现新型大语言模型专家

Andrew Dai, Boris Meinardus, Ciaran Regan, Yingtao Tian, Yujin Tang

机构 * Sakana AI 纠错

AI总结 本文提出AC/DC框架，通过模型合并和合成数据生成实现大语言模型与任务的共进化，发现超越大模型能力的新型LLM，无需显式优化基准，在多智能体最佳N选择中提升性能。

Comments ICLR 2026

Text2Arch: A Dataset for Generating Scientific Architecture Diagrams from Natural Language Descriptions

Text2Arch：一个用于从自然语言描述生成科学架构图的数据库

Shivank Garg, Sankalp Mittal, Manish Gupta

机构 * IIT Roorkee, India（印度拉尔·克里希纳理工学院） ； Google, India（印度谷歌） ； Microsoft, India（印度微软） 纠错

AI总结 本文提出Text2Arch数据库，通过语言模型生成高保真的架构图，解决了文本生成架构图的效率和歧义问题，并展示了其在多个应用中的优势。

Comments ICLR 2026 Poster

Intermediate Layers Encode Optimal Biological Representations in Single-Cell Foundation Models

中间层编码最优的生物表示在单细胞基础模型中

Vincenzo Yuto Civale, Roberto Semeraro, Andrew David Bagdanov, Alberto Magi

机构 * University of Siena（锡耶纳大学） ； University of Firenze（佛罗伦萨大学） 纠错

AI总结 研究发现单细胞基础模型中中间层编码最优生物表示，任务和细胞状态依赖性显著，需系统评估各层以优化生物任务性能。

Comments 9 pages, 2 figures, 4 tables. Accepted at the LMRL (Learning Meaningful Representations of Life) Workshop at ICLR 2026

Quantifying Cross-Query Contradictions in Multi-Query LLM Reasoning

量化多查询LLM推理中的跨查询矛盾

Rohit Kumar Salla, Ramya Manasa Amancherla, Manoj Saravanan

机构 * Virginia Tech（弗吉尼亚理工大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文研究多查询推理中的逻辑一致性，提出包含390个实例的基准测试，引入集级指标，通过提取承诺、验证全局可满足性及反例引导修复，减少跨查询矛盾并保持单查询准确性。

Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 9 pages, 6 tables, code and data at https://huggingface.co/datasets/rohitspider/cross_query_benchmark

Reinforcement Learning via Value Gradient Flow

通过价值梯度流进行强化学习

Haoran Xu, Kaiwen Hu, Somayeh Sojoudi, Amy Zhang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出价值梯度流（VGF）方法，通过最优传输问题解决行为正则化的强化学习问题，实现大规模生成模型的可扩展性，并在离线强化学习和大语言模型强化学习任务中取得最佳性能。

Comments ICLR 2026

CROP: Token-Efficient Reasoning in Large Language Models via Regularized Prompt Optimization

CROP：通过正则化提示优化实现大语言模型的token高效推理

Deep Shah, Sanket Badhe, Nehal Kathrotia, Priyanka Tiwari

机构 * Google LLC（谷歌公司） ； Purdue University（普渡大学） 纠错

AI总结 CROP通过正则化提示优化，在保持准确性的同时显著降低token消耗，适用于复杂推理任务。

Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models

MetaMuse: Algorithm Generation via Creative Ideation

MetaMuse：通过创造性构思生成算法

Ruiying Ma, Chieh-Jan Mike Liang, Yanjie Gao, Francis Y. Yan

机构 * University of California, Berkeley（加州大学伯克利分校） ； Microsoft Research（微软研究院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文研究LLM在算法生成中的应用，提出MetaMuse框架，通过三个自反思原则提升创造性构思，实验显示其在缓存替换和在线装箱问题中性能提升显著。

Comments ICLR 2026

Deep Learning for Subspace Regression

子空间回归的深度学习

Vladimir Fanaskov, Vladislav Trifonov, Alexander Rudikov, Ekaterina Muravleva, Ivan Oseledets

机构 * AIC（人工智能中心） ； AI4Science（AI4科学） ； AXXX（未知） ； INM（信息科学研究所） 纠错

AI总结 本文提出利用深度学习进行子空间回归，通过将插值问题转化为回归问题，提高了高维参数空间下的建模效率与准确性，适用于参数化特征问题和偏微分方程求解。

Comments Accepted to ICLR 2026, reviewed at https://openreview.net/forum?id=HF60Lu1Maj

Diagnosing and Improving Diffusion Models by Estimating the Optimal Loss Value

通过估计最优损失值来诊断和改进扩散模型

Yixian Xu, Shengjie Luo, Liwei Wang, Di He, Chang Liu

机构 * State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文通过估计扩散模型的最优损失值，提出了一种诊断和改进扩散模型的方法，开发了有效的估计器，并发现减去最优损失后，功率律更明显。

Comments 33 pages, 12 figures, 9 tables. ICLR 2026 Camera Ready version

Latent Wavelet Diffusion For Ultra-High-Resolution Image Synthesis

潜在小波扩散用于超高清图像合成

Luigi Sigillo, Shengfeng He, Danilo Comminiello

机构 * Sapienza University of Rome（罗马大学） ； Singapore Management University（新加坡管理大学） ； EMBL（欧洲分子生物学实验室） 纠错

AI总结 本文提出Latent Wavelet Diffusion，通过频率感知的掩码策略和一致性VAE目标提升超高清图像生成的细节和纹理保真度，且无需额外计算开销。

Comments Accepted at ICLR 2026